Design of seismic-resistant steel buildings applying artificial neural networks
Keywords:
Steel buildings, structures, artificial intelligence, artificial neural networksAbstract
Este artículo presenta el desarrollo y validación de modelos de Redes Neuronales Artificiales
(RNA) aplicados al diseño estructural de edificios de acero de 3 a 8 niveles. La investigación
surge ante la necesidad de reducir los tiempos de diseño en zonas sísmicas para el noroeste de
México, donde los métodos tradicionales resultan complejos y demandan múltiples iteraciones
normativas. Se analizaron y diseñaron 62 edificios mediante software especializado, generando
una base de datos para entrenar diez modelos de RNA, los cuales fueron validados posteriormente frente a los parámetros establecidos en la normativa vigente. Los resultados muestran
que las RNA alcanzaron altos niveles de precisión en la predicción de parámetros estructurales,
logrando una reducción significativa de los tiempos de diseño sin comprometer la seguridad. En
particular, se observó que los modelos entrenados con una mayor cantidad de datos mostraron el
mejor desempeño. Se concluye que la aplicación de RNA constituye una innovación relevante
en la ingeniería estructural, ya que permite agilizar procesos, optimizar recursos y mantener la
confiabilidad en el diseño de edificios de acero.
Downloads
References
J. B. Mora, D. Tolentino, S. E. Ruiz, y Y. E. Bojórquez, “DISEÑO SÍSMICO PRELIMINAR DE EDIFICIOS DE CONCRETO REFORZADO USANDO REDES NEURONALES ARTIFICIALES”, 2016.
E. Bojórquez, J. Bojórquez, S. E. Ruiz, y A. Reyes-Salazar, “Prediction of inelastic response spectra using artificial neural networks”, Math Probl Eng, vol. 2012, 2012, doi: 10.1155/2012/937480.
J. Ferreiro-Cabello, E. Fraile-Garcia, E. Martinez de Pison Ascacibar, y F. J. Martinez de Pison Ascacibar, “Metamodel-based design optimization of structural one-way slabs based on deep learning neural networks to reduce environmental impact”, Eng Struct, vol. 155, pp. 91–101, ene. 2018, doi: 10.1016/j.engstruct.2017.11.005.
Z. Bahmani, M. R. Ghasemi, S. S. Mousaviamjad, y S. Gharehbaghi, “Prediction of Performance Point of Semi-Rigid Steel Frames Using Artificial Neural Networks”, International Journal of Intelligent Systems and Applications, vol. 11, núm. 10, pp. 42–53, oct. 2019, doi: 10.5815/ijisa.2019.10.05.
F. Noori y H. Varaee, “Nonlinear Seismic Response Approximation of Steel Moment Frames Using Artificial Neural Networks”, 2022.
S. Talatahari, F. Chen, y A. H. Gandomi, “Developing a robust machine learning framework for predicting the behavior of large-scale structure”, Journal of Building Engineering, vol. 105, jul. 2025, doi: 10.1016/j.jobe.2025.112204.
M. Jahjouh, “An experience based artificial neural network in the design optimization of steel frames”, Engineering Research Express, vol. 4, núm. 4, dic. 2022, doi: 10.1088/2631-8695/aca6ce.
S. A. Banimahd, A. I. Giouvanidis, S. Karimzadeh, y P. B. Lourenço, “A multi-level approach to predict the seismic response of rigid rocking structures using artificial neural networks”, Earthquake Engineering and Structural Dynamics , vol. 53, núm. 6, pp. 2185–2208, may 2024, doi: 10.1002/eqe.4110.
S. S. Afshari, C. Zhao, X. Zhuang, y X. Liang, “Deep learning-based methods in structural reliability analysis: a review”, el 1 de julio de 2023, Institute of Physics. doi: 10.1088/1361-6501/acc602.
B. Tekwani y A. B. Gupta, “Predicting Compressive Strength of Pervious Concrete Using Artificial Neural Network and Regression”, en IOP Conference Series: Earth and Environmental Science, Institute of Physics, 2024. doi: 10.1088/1755-1315/1326/1/012150.
S. J. S. Hakim et al., “Application and development of Artificial Neural Networks to predict structural damage subjected to earthquake-A review”, en IOP Conference Series: Earth and Environmental Science, Institute of Physics, 2023. doi: 10.1088/1755-1315/1205/1/012037.
J. C. . McCormac, Diseño de estructuras de acero, Quinta edicion. México: Alfaomega Grupo Editor, 2013.
Sriramulu Vinnakota, “Estructuras de acero: Comportamiento LRFD”, Mc Graw Hill/Interamericana, núm. Primer edición, p. 926, 2006.
S. Bhatta y J. Dang, “Seismic damage prediction of RC buildings using machine learning”, Earthq Eng Struct Dyn, vol. 52, núm. 11, pp. 3504–3527, sep. 2023, doi: 10.1002/eqe.3907.
J. Humberto. Sossa Azuela y Fernando. Reyes Cortés, Inteligencia artificial aplicada a robótica y automatización, Primer edición. México: Alfaomega Grupo Editor, 2021.
R. Hou y Q. Hou, “Prediction of the shear capacity of ultrahigh-performance concrete beams using neural network and genetic algorithm”, Sci Rep, vol. 13, núm. 1, dic. 2023, doi: 10.1038/s41598-023-29342-0.
M. A. Kraus y M. Drass, “Artificial intelligence for structural glass engineering applications — overview, case studies and future potentials”, Glass Structures and Engineering, vol. 5, núm. 3, pp. 247–285, nov. 2020, doi: 10.1007/s40940-020-00132-8.
F. Kazemi, N. Asgarkhani, T. Shafighfard, R. Jankowski, y D. Y. Yoo, “Machine-Learning Methods for Estimating Performance of Structural Concrete Members Reinforced with Fiber-Reinforced Polymers”, el 1 de enero de 2025, Springer Science and Business Media B.V. doi: 10.1007/s11831-024-10143-1.
T. A. Nguyen, H. B. Ly, H. V. T. Mai, y V. Q. Tran, “Using ANN to Estimate the Critical Buckling Load of y Shaped Cross-Section Steel Columns”, Sci Program, vol. 2021, 2021, doi: 10.1155/2021/5530702.
A. El-Shahat, “Introductory Chapter: Artificial Neural Networks”, en Advanced Applications for Artificial Neural Networks, InTech, 2018. doi: 10.5772/intechopen.73530.
X. B. Olabe, “REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES”, Bilbao.
ADMINISTRACIÓN PÚBLICA DE LA CIUDAD DE MÉXICO, “NORMA TÉCNICA COMPLEMENTARIA SOBRE CRITERIOS Y ACCIONES PARA EL REGLAMENTO DE CONSTRUCCIONES DE CDMX”, Gaceta Oficial de la Ciudad de México., 2020.
CFE, “Manual de Diseño de Obras Civiles: Diseño por Viento”, p. 515, 2020.
CFE, “Manual de diseño de obras civiles: Diseño por sismo.”, 2015.
S. C. Jayasinghe et al., “A review on the applications of artificial neural network techniques for accelerating finite element analysis in the civil engineering domain”, el 1 de abril de 2025, Elsevier Ltd. doi: 10.1016/j.compstruc.2025.107698.
H. Bartsch, J. Voelkel, y M. Feldmann, “Developing artificial neural networks to estimate the fatigue strength of structural steel details using the new European database”, Steel Construction, feb. 2024, doi: 10.1002/stco.202400029.
T. A. Gharah Tapeh y M. Z. Naser, “Artificial intelligence, machine learning, and deep learning in structural engineering: a scientometrics review of trends and Design of Seismic-Resistant Steel Buildings Applying Artificial
Neural Networks best practices”, Archives of Computational Methods in Engineering, vol. 30, pp. 115–159, 2023, doi: 10.1007/s11831-022-09793-w.
C. Burton, T. J. Massam, y C. McCrum, “Machine learning in structural design: an opinionated review”,
Front. Built Environ., vol. 8, p. 815717, 2022, doi: 10.3389/fbuil.2022.815717
Published
Versions
- 2025-12-31 (2)
- 2025-12-31 (1)
Issue
Section
License
Copyright (c) 2025 Revista Ingeniería y Tecnología UAS
This work is licensed under a Creative Commons Attribution-NoDerivatives 4.0 International License.
